[發明專利]基于注意力機制多工況時空退化下的壽命預測方法及系統

在審

• 申請號: 202210288455.2
• 申請日: 2022-03-23
• 公開（公告）號: CN115345063A
• 公開（公告）日: 2022-11-15
• 發明（設計）人: 許丹;肖小琦
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06F119/04
• 代理公司: 北京天達知識產權代理事務所有限公司 11386
• 代理人: 劉鏡

本發明涉及一種基于注意力機制多工況時空退化下的壽命預測方法及系統，屬于壽命預測技術領域，解決了現有技術中壽命預測過程中針對多傳感器、多工況建模困難，在預測過程中沒有考慮未來工況，且不關注不同傳感器重要程度，而帶來的預測精度差的問題。該方法包括：對原始數據進行工況識別，根據原始數據所屬工況進行數據重組，得到歸一化序列數據，通過滑動時間窗對重組歸一化序列數據進行樣本分割，將樣本劃分為訓練集和驗證集；統計訓練集數據對應的未來工況信息；基于訓練集、驗證集以及未來工況信息對預測模型進行訓練，得到最優預測模型；將采集的待預測壽命設備的在線數據輸入最優預測模型，得到待預測壽命設備的剩余使用壽命。

技術領域

本發明涉及壽命預測技術領域，尤其涉及一種基于注意力機制多工況時空退化下的壽命預測方法及系統。

背景技術

隨著傳感器技術和計算機技術的迅速發展，狀態監測技術已被大規模應用于各種工程系統，包括電動機、風力渦輪機和能量轉換系統等，使得工程系統監測數據的規模越來越龐大。并且隨著現代工程系統愈加復雜化、精密化，它們通常會在多個工況下工作，退化狀態也通常是由多個傳感器的數據間接反映而不是由某個傳感器直接測得，同時所監測數據信息的重要程度也通常不同，這使得建立模型并進行準確的預測變得更為困難。在這種情況下，利用深度學習等數據驅動的方法對可用的監測數據進行建模來深入了解工程系統的健康狀況，并對其剩余使用壽命(Remaining Useful Life,RUL)做出進一步推斷越來越受到研究者的青睞。有了這些信息，工程師可以提前安排維護和修理，這可以有效地防止工程系統性能下降甚至發生災難性故障。

現有利用深度學習方法解決多工況下的壽命預測問題主要從以下三個方面進行考慮：1)對工況信息不做處理。直接將多工況下傳感器信息輸入模型進行訓練，這種方式寄希望于深度學習能夠自己提煉特征，其效果雖然會比傳統的方法稍好，但是由于未融合工況信息，預測結果準確性很難進一步提高。2)建立多個單工況模型。根據所屬工況的類別將數據分類，對每類工況的數據分別建模。這種方法適合設備所經歷每個工況的時間段都涇渭分明，如果處于時變的工況則無法處理。同時將數據分類可能會出現每個工況建模時訓練數據不足的情況。3)工況信息融入退化數據。具體有兩種做法：在數據預處理時，將工況信息進行聚類，然后依據分類的各中心點分別進行標準化，以此消除多工況信息差異；將工況信息和深度學習模型提取的特征相結合。然而，實際應用中未來工況不同，預測得到的剩余壽命也會不一樣。以上針對多工況下的壽命預測問題都沒有考慮將未來工況融入模型。

另外，注意力機制可以作為對數據信息的進一步篩選，突出信息的關鍵部分，從而實現分析和準確預測。因此，在深度學習中結合注意力機制被用來解決監測數據信息重要程度不一致的情況。目前，在已知多傳感器信息情況下預測剩余壽命時，不同傳感器所蘊含的信息重要程度通常不同，而現有的深度學習方法通常只關注時間維度上信息的不同重要程度，沒有關注不同傳感器的重要程度的區別。

因此，現有技術中缺少一種融入未來工況信息，且關注不同傳感器的重要程度的基于注意力機制多工況時空退化下的壽命預測方法及系統。

發明內容

鑒于上述的分析，本發明實施例旨在提供一種基于注意力機制多工況時空退化下的壽命預測方法及系統，用以解決現有壽命預測過程中針對多傳感器、多工況建模困難，在預測過程中沒有考慮未來工況，且不關注不同傳感器重要程度，而帶來的預測精度差的問題。

一方面，本發明實施例提供了一種基于注意力機制多工況時空退化下的壽命預測方法，包括：

對原始數據進行工況識別，根據原始數據所屬工況進行數據重組，得到歸一化序列數據，通過滑動時間窗對重組歸一化序列數據進行樣本分割，將所述樣本劃分為訓練集和驗證集；

統計所述訓練集數據對應的未來工況信息；

基于所述訓練集、驗證集以及未來工況信息對預測模型進行訓練，得到最優預測模型；